[发明专利]基于轻量化语义分割网络的遥感图像地物分类方法

权利要求书

1.一种基于轻量化语义分割网络的遥感图像地物分类方法，其特征在于，包括如下：

(1)将输入的遥感图像划分为训练样本和测试样本：

对输入的遥感数据集进行可交叠地切图，划分为N个大小为H×H的图像块，并从N个图像块中随机选取80％的图像块作为训练样本，其余的图像块作为测试样本，N≥60，H≥500；

(2)构建引入可拓宽通道分解空洞卷积的轻量化遥感图像地物分类模型：

(2a)将输入遥感图像经过多个下采样和多个可拓宽通道分解空洞卷积，得到编码器特征F；

(2b)用注意力金字塔网络APN作为解码器网络，将编码器特征F输入到该解码器网络中，得到三路特征图F1、F2、F3；

(2c)根据三路特征图F1、F2、F3得到预测图Q；

(3)针对标签图地物边缘标记模糊的特点，设计轻量化语义分割网络的损失函数L：

(3a)将原标签图进行标签平滑和高斯滤波处理得到新的标签图P；

(3b)根据标签图P和预测图Q的信息熵差值，构造损失函数L；

(4)对(2)构建的轻量化遥感图像地物分类模型进行训练：

(4a)设初始学习率baselr为0.0005，当前学习率计算公式为：lr＝baselr×(1-iter/maxiter)^0.9，其中lr是当前的学习率，iter是当前迭代轮数，maxiter是最大迭代轮数； 优化器使用Adam，最大迭代轮数设为300，随机初始化模型参数；

(4b)将训练样本输入到构建的轻量化遥感图像地物分类模型中，使用优化器Adam优化(3b)中的损失函数L，更新轻量化遥感图像地物分类模型的权重参数，当训练轮数达到300时，得到训练好的轻量化遥感图像地物分类模型；

(5)将测试样本输入到训练好的轻量化遥感图像地物分类模型中，预测输出测试样本中各像素所属的地物种类，得到遥感图像的地物分类结果。

2.根据权利要求1所述的方法，其特征在于，(2a)中所述的将输入遥感图像经过多个下采样和多个可拓宽通道分解空洞卷积得到编码器特征F，其实现如下：

(2a1)输入图像I经过第一个下采样层D1执行步长均为2的3×3卷积和2×2最大池化操作，并将这两个操作得到的特征图进行通道维度上的拼接，得到通道维度为C30的第一个特征图T1；

(2a2)第一个特征图T1依次经过K1～K3这三个可拓宽通道分解空洞卷积，得到通道维度为C的第二个特征图T2；

(2a3)第二个特征图T2经过第二个下采样层D2执行步长均为2的3×3卷积和2×2最大池化操作，并将这两个操作得到的特征图进行通道维度上的拼接，得到通道维度为2C的第三个特征图T3；

(2a4)第三个特征图T3依次经过K4、K5这两个可拓宽通道分解空洞卷积，得到通道维度为2C的第四个特征图T4；

(2a5)第四个特征图T4经过第三个下采样层D3执行步长均为2的3×3卷积和2×2最大池化操作，并将这两个操作得到的特征图进行通道维度上的拼接，得到通道维度为4C的第五个特征图T5；

(2a6)第五个特征图T5依次经过K6～K13这八个可拓宽通道分解空洞卷积，得到通道维度为4C的第六个特征图T6，T6即为编码器特征F。

3.根据权利要求2所述的方法，其特征在于，其中所述K1～K5这五个可拓宽通道分解空洞卷积的结构相同，每个可拓宽通道分解空洞卷积均将其输入参数在通道维度上均分成两个分支，第一个分支依次经过3×1卷积、1×3卷积、空洞率为1的3×1空洞卷积、空洞率为1的1×3空洞卷积，得到一个卷积特征；第二个分支依次经过1×3卷积、3×1卷积、空洞率为1的1×3空洞卷积、空洞率为1的3×1空洞卷积，得到另一个卷积特征，将这两个卷积特征在通道维度上进行拼接并与输入参数求和，输出中间特征或特征图，其中K1、K2输出通道维度为C的中间特征，K3输出通道维度为C的特征图；K4输出通道维度为2C的中间特征，K5输出通道维度为2C的特征图。